Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2023
Implementación de un prototipo de software para predecir complicaciones en pacientes en unidad de cuidados intensivos pediátricos (UCIP), a través de modelos de aprendizaje automático
Los cuidadores de pacientes en estado crítico no siempre tienen las habilidades o la experiencia para tratar este tipo de pacientes (Wheatley, 2006). Además, el deterioro fisiológico se puede detectar a partir de cambios sutiles en los signos vitales dentro de una Unidad de Cuidados Intensivos Pediátricos (UCIP) (Izquierdo, 2021). Esto conlleva dificultades para el personal médico al realizar un pronóstico sobre una futura complicación. De acuerdo con lo anterior, este estudio tiene como objetivo implementar un prototipo de software capaz de predecir estados fisiológicos a través de los signos vitales, siguiendo como metodología el Proceso de Aprendizaje Automático (Machine Learning Process, MLP) sobre el conjunto de datos seleccionado. El prototipo se implementó de forma exitosa y se obtuvieron resultados prometedores en cuanto al uso de técnicas de aprendizaje automático para representar el estado actual y futuro de los pacientes en UCIP. Por lo tanto, se debe seguir trabajando en el esfuerzo de complementar el conjunto de datos e implementar nuevas propuestas del uso de las técnicas de aprendizaje automático, y así lograr una monitorización constante sobre los pacientes (Texto tomado de la fuente)
Texto completo 100 páginas con texto de 103
Leer la tesis completa Ficha en el repositorio
Contenido
- Estado del Artep. 19
- Monitorización de signos vitalesp. 19
- Signos vitalesp. 20
- 1.2.1 Frecuencia cardiaca (FC)p. 20
- 1.2.2 Frecuencia respiratoria (FR)p. 21
- 1.2.3 Presión arterial (TA)p. 22
- 1.2.4 Saturación periférica de oxígeno (SpO2)p. 23
- 1.2.5 Temperatura (ToC)p. 23
- Aprendizaje automáticop. 24
- Trabajos relacionadosp. 25
- 1.4.1 Long short-term memory (LSTM)p. 30
- 1.4.2 Random Forest (RF)p. 30
- 1.4.3 Support Vector Machine (SVM)p. 31
- Justificaciónp. 32
- Metodologíap. 34
- Muestreo y tipo de instrumentop. 34
- Diseño de la investigaciónp. 35
- Procedimientop. 35
- Preparación y análisis exploratorio de datosp. 37
- Limpieza de datosp. 37
- 3.1.1 Eliminar datos duplicadosp. 37
- 3.1.2 Modificar unidades de medidap. 38
- 3.1.3 Administrar datos nulosp. 38
- 3.1.4 Cambiar notaciónp. 38
- 3.1.5 Modificar valores inválidosp. 39
- 3.1.6 Modificar valores atípicosp. 39
- 3.1.7 Cambiar tipo de variablep. 39
- Análisis exploratorio de datosp. 40
- 3.2.1 Matriz de correlaciónp. 42
- Modelos de aprendizaje automático implementadosp. 45
- signos vitalesp. 20
- 4.1.1 Clasificador basado en árboles de decisión (DTC)p. 48
- 4.1.2 Clasificador basado en un bosque aleatorio (RFC)p. 50
- Clasificación del estado actual del paciente, según los signos vitalesp. 51
- 4.2.1 Clasificador basado en árboles de decisión (DTC)p. 48
- 4.2.2 Clasificador basado en un bosque aleatorio (RFC)p. 50
- 4.2.3 Clasificador basado en regresión logística (LRC)p. 60
- 4.2.4 Clasificador en datos con categorizaciónp. 61
- Predicción de estados futuros, según los signos vitalesp. 62
- 4.3.1 Long short-term memory (LSTM)p. 30
- 4.3.2 Gated recurrent unit (GRU)p. 66
- Prototipo de softwarep. 68
- Frontendp. 68
- Backendp. 71
- Model APIp. 73
- Diagrama de secuenciap. 74
- Diagrama de desplieguep. 75
- Discusión y análisis de resultadosp. 78
- Conclusiones y recomendacionesp. 81
- Conclusionesp. 81
- Recomendacionesp. 82
- 7.2.1 Trabajos futurosp. 83
- A. Anexo: Matrices de confusión de los modelos especializadosp. 84
- B. Anexo: Resultados de predicciones para cada uno de los pacientesp. 89
- C. Anexo: Enlace a la aplicación y repositorios del código fuentep. 96
- Bibliografíap. 97
- Figura 1-1p. 26
- Figura 2-1p. 35
- Figura 3-1p. 38
- Figura 3-2p. 41
- Figura 3-3p. 42
- Figura 3-4p. 43
- Figura 3-5p. 44
- Figura 4-1p. 46
- Figura 4-2p. 47
- Figura 4-3p. 49
- Figura 4-4p. 50
- Figura 4-5p. 51
- Figura 4-6p. 53
- Figura 4-7p. 54
- Figura 4-8p. 55
- Figura 4-9p. 62
- Figura 4-10p. 63
- Figura 4-11p. 64
- Figura 4-12p. 64
- Figura 4-13p. 65
- Figura 4-14p. 67
- Figura 5-1p. 68
- Figura 5-2p. 69
- Figura 5-3p. 70
- Figura 5-4p. 70
- Figura 5-5p. 71
- Figura 5-6p. 73
- Figura 5-7p. 75
- Figura 5-8p. 77
- Tabla 1 Rangos de normalidad de FC, por edadp. 21
- Tabla 2 Rangos de normalidad de FR, por edadp. 22
- Tabla 3 Rangos de normalidad de TAS y TAD, por edadp. 23
- Tabla 4 Rangos de normalidad de ToC normalesp. 24
- Tabla 5 Resumen de trabajos fuertemente relacionadosp. 27
- Tabla 6 Estadísticos básicosp. 40
- Tabla 7 Cantidad de datos según el estado, por grupop. 52
- Tabla 8 Exactitud de los modelos DTC, RFC, KNN y MPC; por grupop. 53
- Tabla 9 Resultados de DTC para el grupo 1p. 57
- Tabla 10 Resultados de DTC para el grupo 2p. 57
- Tabla 11 Resultados de DTC para el grupo 3p. 57
- Tabla 12 Resultados de DTC para el grupo 4p. 58
- Tabla 13 Resultados de RFC para el grupo 1p. 59
- Tabla 14 Resultados de DTC para el grupo 2p. 59
- Tabla 15 Resultados de RFC para el grupo 3p. 59
- Tabla 16 Resultados de RFC para el grupo 4p. 60
- Tabla 17 Resultados de LRC para el grupo 1p. 60
- Tabla 18 Resultados de LRC para el grupo 2p. 60
- Tabla 19 Resultados de LRC para el grupo 3p. 61
- Tabla 20 Resultados de LRC para el grupo 4p. 61
- Tabla 21 Resultados de LSTM para los 4 gruposp. 66
- Tabla 22 Resultados de GRU para los 4 gruposp. 67